123,123,123

基于方面情感的層次化雙注意力網(wǎng)絡(luò)

基于深度學(xué)習(xí)的方面級情感分析，結(jié)合注意力機制的神經(jīng)網(wǎng)絡(luò)模型取得較好的分類效果，但常用方法僅考慮單一層面注意力機制，且無法獲取句子間依賴關(guān)系。設(shè)計了一種層次化的雙注意力神經(jīng)網(wǎng)絡(luò)模型用于方面級情感分析，針對特定方面引入方面目標(biāo)的注意力機制以及文本上下文自注意力機制，獲取方面特征信息和句子的全局依賴信息；設(shè)計層次化GRU網(wǎng)絡(luò)，其中單詞層嵌入特定方面信息，獲取針對方面目標(biāo)的句子內(nèi)部特征信息，句子層網(wǎng)絡(luò)通過雙注意力機制和詞語層的輸入，獲取句子間的特征依賴信息，從而實現(xiàn)深層次的方面情感分類。在SemEval 2014兩個數(shù)據(jù)集和Twitter數(shù)據(jù)集上進行對比實驗，驗證了該方法的有效性，針對方面級情感，分類準(zhǔn)確率均得到了有效提升。

發(fā)表于：12/15/2020

基于疲勞駕駛的人眼定位方法研究

人眼定位是疲勞駕駛的研究關(guān)鍵。由粗到精，先后進行了人臉檢測、瞳孔定位。針對現(xiàn)有方向梯度直方圖人臉檢測算法泛化能力不佳的問題，提出了一種基于信息熵加權(quán)的HOG特征提取算法，該算法將待分類的人臉特征進行信息熵閾值加權(quán)，形成新的HOG特征，然后通過支持向量機進行分類；針對現(xiàn)有瞳孔定位算法準(zhǔn)確率不高的問題，提出了多算法協(xié)同工作的瞳孔定位方法，以自商圖為基準(zhǔn)尋找二值分割點，實現(xiàn)了眼部區(qū)域光照不變性，以灰度積分投影為依據(jù)實現(xiàn)了瞳孔精確定位。實驗結(jié)果表明，該文提出的人臉檢測算法在CelebA驗證數(shù)據(jù)集準(zhǔn)確率可達(dá)到98.26%，較傳統(tǒng)識別方法有更高的準(zhǔn)確率；而瞳孔定位算法也可達(dá)到令人滿意的精確度，提高了瞳孔定位的準(zhǔn)確性。

發(fā)表于：12/15/2020

基于雙流卷積神經(jīng)網(wǎng)絡(luò)和生成式對抗網(wǎng)絡(luò)的行人重識別算法

近年來，針對行人重識別問題的深度學(xué)習(xí)技術(shù)研究取得了很大的進展。然而，在解決實際數(shù)據(jù)的特征樣本不平衡問題時，效果仍然不理想。為了解決這一問題，設(shè)計了一個更有效的模型，該模型很好地解決了目標(biāo)的不同姿態(tài)的干擾以及數(shù)據(jù)集中的圖片數(shù)量不足的問題。首先，通過遷移姿態(tài)生成對抗網(wǎng)絡(luò)生成行人不同姿勢的圖片，解決姿態(tài)干擾及圖片數(shù)量不足的問題。然后利用兩種不同的獨立卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，并將其結(jié)合得到綜合特征。最后，利用提取的特征完成行人重識別。采用姿勢轉(zhuǎn)換方法對數(shù)據(jù)集進行擴展，有效地克服了由目標(biāo)不同姿勢引起的識別誤差，識別錯誤率降低了6%。實驗結(jié)果表明，該模型在Market-1501和DukeMTMC-Reid上達(dá)到了更好的識別準(zhǔn)確度。在DukeMTMC-Reid數(shù)據(jù)集上測試時，Rank-1準(zhǔn)確度增加到92.10%，mAP 達(dá)到84.60%。

發(fā)表于：12/15/2020

干線動態(tài)協(xié)調(diào)控制的深度Q網(wǎng)絡(luò)方法

為有效降低城市交通干線的車均延誤與停車次數(shù)，將深度Q網(wǎng)絡(luò)引入干線協(xié)調(diào)控制，給出了一種干線動態(tài)協(xié)調(diào)控制的DDDQN(Dueling Double Deep Q Network)方法。該方法結(jié)合雙重深度Q網(wǎng)絡(luò)與基于競爭架構(gòu)深度Q網(wǎng)絡(luò)，并將干線作為整體處理，通過深度神經(jīng)網(wǎng)絡(luò)挖掘干線各交叉口協(xié)調(diào)控制的相關(guān)性，基于Q學(xué)習(xí)進行交通信號控制決策。通過仿真實驗，在近飽和流量和干線存在初始排隊的情況下，將DDDQN方法與現(xiàn)有綠波方法，以及經(jīng)典深度Q網(wǎng)絡(luò)、雙重深度Q網(wǎng)絡(luò)、基于競爭架構(gòu)深度Q網(wǎng)絡(luò)的干線協(xié)調(diào)控制算法進行對比，實驗結(jié)果表明基于DDDQN的干線動態(tài)協(xié)調(diào)控制算法性能優(yōu)于其他四種方法。

發(fā)表于：12/15/2020

具有關(guān)系敏感嵌入的知識庫錯誤檢測

準(zhǔn)確性與質(zhì)量對于知識庫而言尤為重要，盡管已經(jīng)有很多關(guān)于知識庫不完整性的研究，但是很少有工作者考慮到對于知識庫存在的錯誤進行檢測，按照傳統(tǒng)方法通常無法有效捕捉知識庫中錯誤事實內(nèi)在相關(guān)性。本文提出了一種知識庫具有關(guān)系敏感嵌入式方法NSIL，以獲取知識庫各關(guān)系之間的相關(guān)性，從而檢查出知識庫中的錯誤，以此提高知識庫的準(zhǔn)確性與質(zhì)量。該方法分為相關(guān)性處理和錯誤檢測兩階段。在相關(guān)性處理階段，使用NSIL的相關(guān)函數(shù)以分值形式獲取各關(guān)系之間的相關(guān)度；在錯誤檢測階段，基于相關(guān)度分值進行錯誤檢測，對于缺失主體或客體的三元組進行缺失成分預(yù)測。最后在知識庫之一Freebase生成的基準(zhǔn)數(shù)據(jù)集“FB15K”上進行了廣泛驗證，證明了該方法在知識庫錯誤知識檢測方面有著很高的性能。

發(fā)表于：12/15/2020

基于交點的新層次聚類算法

介紹了一種新的分層聚類算法，該聚類算法的主要目的是利用交點提供更好的聚類質(zhì)量和更高的準(zhǔn)確性。為了驗證該聚類算法，對基準(zhǔn)數(shù)據(jù)集進行了幾次實驗，并與其他五種廣泛使用的聚類算法進行對比。使用純度作為外部標(biāo)準(zhǔn)來評估聚類算法的性能，并計算了由聚類算法得出的每個聚類的緊密度，以評估聚類算法的有效性。實驗結(jié)果表明，在大多數(shù)情況下，該算法的錯誤率低于研究中使用的其他聚類算法。

發(fā)表于：12/15/2020

基于圖卷積網(wǎng)格自編碼器的網(wǎng)格參數(shù)化

網(wǎng)格參數(shù)化作為數(shù)字幾何處理的基本工具，在游戲娛樂、工程設(shè)計、仿真模擬等多種領(lǐng)域有著廣泛的應(yīng)用背景。傳統(tǒng)的網(wǎng)格參數(shù)化方法大多通過求解線性系統(tǒng)或者非線性系統(tǒng)獲得結(jié)果，存在著求解速度慢、不夠魯棒的問題。提出了一個基于圖卷積網(wǎng)格自編碼器的網(wǎng)格參數(shù)化模型，采用了圖卷積網(wǎng)格自編碼器的編碼部分與自行構(gòu)建的參數(shù)化解碼部分結(jié)合的方式生成網(wǎng)絡(luò)，使用一類人臉網(wǎng)格數(shù)據(jù)集作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，并與傳統(tǒng)優(yōu)化算法進行對比。結(jié)果表明，使用建立的網(wǎng)格參數(shù)化模型，在保證參數(shù)化效果的同時，獲得參數(shù)化結(jié)果的速度比SLIM(Scalable Locally Injective Mappings，SLIM)算法快68%，比PP(Progressive Parameterizations)算法快約4倍。

發(fā)表于：12/15/2020

微型仿生撲翼飛行器研究綜述

基于仿生學(xué)原理的撲翼飛行器因質(zhì)量輕、體積小、靈活性好、隱蔽性高等優(yōu)點在軍事和民用領(lǐng)域應(yīng)用廣泛，實現(xiàn)撲翼飛行器的微型化是未來發(fā)展方向。首先介紹了微型仿生撲翼飛行器的概念和特點，分析了研究背景和國內(nèi)外研究現(xiàn)狀及成果，在此基礎(chǔ)上，就實現(xiàn)微型仿生撲翼飛行器需要解決的關(guān)鍵技術(shù)和難題進行了討論，最后對我國微型仿生撲翼飛行器的應(yīng)用前景作出展望。

發(fā)表于：12/15/2020

Raw格式巖心圖像超分辨率重建

在巖心面陣相機開發(fā)中，可以使用基于學(xué)習(xí)的超分辨率技術(shù)來提升巖心圖像的分辨率。針對現(xiàn)有超分辨率技術(shù)在重建巖心圖像時存在的細(xì)節(jié)模糊或色彩偏差等問題，提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的Raw格式巖心圖像超分辨率重建算法。首先，模擬相機圖像處理器的線性處理部分合成線性圖像數(shù)據(jù)集；然后，通過一個雙層卷積神經(jīng)網(wǎng)絡(luò)，分別訓(xùn)練高低分辨率圖像之間的紋理、色彩映射關(guān)系；最后，用重建出的線性高分辨率圖像模擬相機圖像處理器的非線性處理部分，獲得紋理清晰且色彩逼真的巖心重建圖像。實驗結(jié)果表明，本文提出的重建算法提升了巖心圖像的重建效果。

發(fā)表于：12/15/2020

基于混合注意力機制的表情識別研究

針對目前傳統(tǒng)人臉表情識別算法存在特征提取復(fù)雜、表情識別率低等問題，提出一種基于混合注意力機制的ResNet人臉表情識別方法。該方法把通道注意力模塊和空間注意力模塊組成混合注意力模塊，將混合注意力模塊嵌入ResNet殘差學(xué)習(xí)分支中。針對CK+人臉表情數(shù)據(jù)集過小問題，采用數(shù)據(jù)增強策略擴充數(shù)據(jù)集。實驗結(jié)果表明，改進后的ResNet在CK+數(shù)據(jù)集上表情識別準(zhǔn)確率為97.04%，有效提高了表情識別準(zhǔn)確率。

發(fā)表于：12/15/2020

一種融合注意力和記憶網(wǎng)絡(luò)的序列推薦算法

傳統(tǒng)基于協(xié)同過濾和矩陣分解的靜態(tài)表示推薦算法，不能很好地體現(xiàn)用戶的動態(tài)興趣。循環(huán)神經(jīng)網(wǎng)絡(luò)能夠進行序列推薦，但存在序列之間的長距離依賴性差、各項目的區(qū)分度差等問題。由此提出一種融合注意力和記憶網(wǎng)絡(luò)的序列推薦算法，根據(jù)Word2vec算法，引申item2vec和user2vec，初始化用戶和項目的固定表示嵌入矩陣，通過結(jié)合注意力機制和長短期記憶網(wǎng)絡(luò)(Long ShortTerm Memory,LSTM)解決序列之間的長距離依賴性差和區(qū)分度差問題。利用記憶網(wǎng)絡(luò)獲取用戶的動態(tài)鄰居，加強用戶的動態(tài)表示，實現(xiàn)更準(zhǔn)確的推薦。通過在MovieLens數(shù)據(jù)集上的實驗結(jié)果表明，所提出的算法相比其他算法推薦效果顯著提高。

發(fā)表于：12/15/2020

融合懲罰因子和時間權(quán)重的協(xié)同過濾推薦算法

協(xié)同過濾算法是一種經(jīng)典的推薦算法，思想是依據(jù)近鄰用戶或者相似物品對目標(biāo)進行推薦，常被應(yīng)用在各類推薦系統(tǒng)中。但傳統(tǒng)算法過分考慮熱門物品對評分的影響，而忽略了冷門物品對用戶興趣特征度量的貢獻(xiàn)，也未考慮用戶興趣動態(tài)變化的問題。對此，提出一種新的相似度改進算法，改進后的協(xié)同過濾算法將物品熱門懲罰因子和時間數(shù)據(jù)權(quán)重進行加權(quán)計算，優(yōu)化了用戶相似度計算方法，形成了一種新的相似性度量模型。利用MovieLens電影推薦數(shù)據(jù)集驗證改進后的算法，實驗結(jié)果表明，該算法將推薦平均絕對誤差(MAE)與傳統(tǒng)算法相比降低了13.2%，推薦質(zhì)量有了明顯提升。

發(fā)表于：12/15/2020

認(rèn)知升維與實踐加速：解讀“與眾不同”的城市智能體

　　第二十二屆中國國際高新技術(shù)成果交易會在今年的“雙 11”隆重開幕。本屆盛會可以說結(jié)出了累累碩果。　　據(jù)了解，3300 多家海內(nèi)外展商參展，展示高新技術(shù)項目超過 9000 項，其中有 1790 項新產(chǎn)品和 767 項新技術(shù)是首次亮相，涵蓋了現(xiàn)在主流的人工智能、智能制造、智能駕駛、5G 商用、8K 超高清等諸多領(lǐng)域，這不僅是一場高新科技成果的展示和交易，更是一個全新未來的開啟節(jié)點。

發(fā)表于：12/15/2020

智慧彩超，做幸福家庭的守護神

　　在新冠抗疫的前線，超聲診斷正起著越來越重要的作用，因為它無損傷、非介入的特點，可以在更短時間內(nèi)檢測病人的同時，保障醫(yī)護人員安全，還能發(fā)現(xiàn)血凝塊等嚴(yán)重癥狀。

發(fā)表于：12/14/2020

基于Star-Gan的人臉互換算法

基于Star-Gan的人臉互換算法易旭，白天(中國科學(xué)技術(shù)大學(xué) 軟件學(xué)院，安徽合肥 230026)基于深度學(xué)習(xí)的人臉互換算法會因背景人臉環(huán)境的明亮程度、人臉表情、姿勢等因素影響換臉效果，現(xiàn)階段的人臉互換模型存在固有的弊端。采用Patch-Gan(Generative Adversarial Networks)的判別器結(jié)構(gòu)能通過全卷積網(wǎng)絡(luò)增強人臉局部一致性的效果。生成器將Unet結(jié)構(gòu)的編碼器的特征輸出作為輸入，能考慮多層信息細(xì)節(jié)。整體模型架構(gòu)采用Star-Gan的模型，引入實例歸一化層能保證圖像的獨立性。最后在Face-Forensics++人臉互換數(shù)據(jù)集上進行驗證，結(jié)果表明，融合的模型有較好的生成效果和細(xì)節(jié)。

發(fā)表于：12/14/2020